Quelques réalisations
Exemple 1 - Smart Delivery Estimate
Shipup est le leader français de l’expérience post-achat. En créant une expérience post-achat rassurante, intuitive et à l’image du client, les entreprises peuvent transformer leurs acheteurs ponctuels en clients réguliers et les petits e-commerçants peuvent rivaliser avec les géants sur le terrain de la qualité du service.
Shipup a demandé à Scopeo de créer un modèle de Machine Learning pour estimer la date probable de livraison d’un colis au moment de sa commande, puis tout au long de son transport.
Pour pouvoir répondre à cette problématique, qui est un exemple d’analyse prédictive, nous avons suivi ces étapes :
Exemple 2 - Lecture automatique de document
Un de nos clients développe un logiciel d’aide à la comptabilité d’entreprises. Il a commandé à Scopeo un algorithme de lecture automatique de factures scannées.
Pour répondre à cette demande, nous avons découpé la « pipeline » d’analyse en différentes étapes :
Analyse OCR
Tagging et contextualisation
Features extraction
Désambiguïsation
Nous avons ainsi pu développer une bibliothèque logicielle simple à utiliser.
Document original
Initialement, l’image est obtenue en scannant le document. Elle contient du texte mais également d’autres types d’impression comme les lignes de tableaux, les logos, les tampons, les signatures etc.
Étape 1 : Analyse OCR
Nous appliquons les technologies de l’état de l’art en OCR pour lire le texte et identifier sa position sur le document.
Étape 2 : Tagging et contextualisation
Nous interprétons ce texte grâce à des techniques de Natural Language Processing (NLP) en tenant compte des tableaux, alignements, contextes etc.
Étape 3 : Features extraction
Nous ajoutons ensuite des caractéristiques propres au type de document et au champ recherché pour fournir à l’algorithme un maximum d’information.
Étape 4 : Désambiguïsation
Enfin, nous implémentons des règles en utilisant la connaissance du métier d’une part et les observations statistiques de l’autre (Machine Learning) pour attribuer, à chaque champ recherché, le contenu correspondant.
Exemple 3 - Prédiction de risque de défaut
Fydem, spécialiste du Crédit as a Payment, a fait appel aux services de Scopeo pour développer un outil qui puisse catégoriser les transactions issues de données de l’Open Banking (DSP2) et quantifier le risque de défaut d’un emprunteur ou encore estimer le PNB (Produit Net Bancaire) d’un client potentiel.
Nous avons accompagné Fydem sur plusieurs axes :
Support pour trouver et agréger des sources de données pertinentes
Développement du code de production et structuration de l'engine pour un usage interne
Construction des algorithmes de prédiction
Support pour le recrutement (tests, entretiens), formation et encadrement des recrues
Exemple 4 - Analyse d'avis clients en ligne
Afin d’avoir des retours clients sur un produit vendu en ligne, il est intéressant d’étudier les avis. Grâce à cette source d’information, il est possible d’améliorer le produit en itérant sur les impressions des clients. Néanmoins, la tâche peut-être chronophage lorsque chaque site contient plusieurs dizaines de commentaires.
Pour répondre à ce besoin, nous avons mis au point, pour notre client, un outil permettant de synthétiser les commentaires d’un produit vendu sur un site de e-commerce.
Notre outil utilise des algorithmes de traitement automatique du langage à l’état de l’art pour isoler les phrases qui concerne le retour produit et en extraire une synthèse globale.
L’utilisation de réseaux de neurones très puissants et pré-entrainés nous permet d’obtenir des résultats avec très peu de données labellisées.
Exemple 5 - Classification et recommandation de polices de caractère
Afin d’avoir des retours clients sur un produit vendu en ligne, il est intéressant d’étudier les avis. Grâce à cette source d’information, il est possible d’améliorer le produit en itérant sur les impressions des clients. Néanmoins, la tâche peut-être chronophage lorsque chaque site contient plusieurs dizaines de commentaires.
Pour répondre à ce besoin, nous avons mis au point, pour notre client, un outil permettant de synthétiser les commentaires d’un produit vendu sur un site de e-commerce.
Notre outil utilise des algorithmes de traitement automatique du langage à l’état de l’art pour isoler les phrases qui concerne le retour produit et en extraire une synthèse globale.
L’utilisation de réseaux de neurones très puissants et pré-entrainés nous permet d’obtenir des résultats avec très peu de données labellisées.
Fonts Ninja redéfinie le marché de la typographie en aidant les fonderies à contrôler leur licence et les designers à découvrir et acheter des typographies.
Le client a voulu mettre en place un outil pour chercher et découvrir des typographies simplement et efficacement, et pour trouver des typographies similaire à une typographie donnée. La difficulté ici vient du caractère très subtil des différences de style entre les typographies.
Nous avons mis en place des algorithmes de deep learning permettant à la fois de classifier les polices mais aussi de projeter les images dans un espace vectoriel afin d’y effectuer d’autre tâches, comme la recommandation de police similaire. Le tout est intégré dans un micro-service indépendant ne nécessitant aucune expertise en Machine Learning pour être utilisé.
Nous avions avant une expérience utilisateur ou on a l’impossibilité de chercher et trouver des polices similaires à une typographie donnée et ou on a l’obligation de scroller sur la page pour trouver une typographie qui nous plaît.
Nous avons aujourd’hui une proposition de typographies similaires à une typographie donnée. Les typographies sont classées ce qui permet la fonction de recherche de typographies.
